4月8日（星期二）消息，國外知名科學網站的主要內容如下：

《自然》網站（www.nature.com）

2025全球AI競賽：中美差距縮小，小模型崛起

根據美國斯坦福大學發布《2025年人工智能指數報告》，全球AI競爭格局正經歷深刻變革。中國AI模型性能快速提升，中美技術差距顯著縮小。在權威評測中，中美頂尖模型的性能差距已從2023年的20%降至2024年底的0.3%，競爭日趨白熱化。

小型模型異軍突起。2024年成為AI“輕量化”元年。得益于算法突破，僅38億參數的模型即可達到兩年前5400億參數模型的性能水平。專家預測，未來小型團隊可能憑借創新算法顛覆行業格局。

研發主體轉變。企業已成AI研發主力軍，2024年近90%的重要模型來自企業，與20年前學術界主導的局面形成鮮明對比。美國仍是最大AI模型產出國，但中國在論文、專利等基礎研究領域持續發力，為技術突破奠定基礎。

開放生態加速發展。DeepSeek等開放權重模型性能快速提升，與封閉系統的差距縮小至1.7%。這種趨勢降低了AI技術門檻，OpenAI等巨頭也計劃加入開放生態。

能效革命正在進行。 雖然AI訓練能耗持續增長，但硬件能效每年提升40%，使得運行成本大幅下降。2022-2024年間，相同性能的AI模型運行成本降低99%，加速了技術普及。

報告同時指出，AI仍面臨“幻覺”、偏見等關鍵問題。專家警告，盡管技術進步顯著，但基礎性錯誤仍制約著AI的可靠應用。

《科學》網站（www.science.org）

為什么說三歲看老？科學家發現早期經歷對大腦有終身影響

研究表明，兒童早期經歷會顯著影響大腦白質的發育，進而影響認知功能。這項發表在《美國國家科學院院刊》（PNAS）的研究發現，經濟狀況、社區安全等環境因素會改變大腦白質的質量——這些神經纖維是腦區間的關鍵連接通路。研究同時指出，積極的社會因素可以增強大腦的適應性。

白質是包裹著髓鞘的神經纖維束，負責腦區間的信息傳遞。美國布萊根婦女醫院的研究團隊利用美國國立衛生研究院“青少年大腦認知發展研究”（ABCD）的數據，對9000多名兒童進行了追蹤分析。通過腦成像技術和認知測試，研究人員評估了家庭環境、社區特征等因素對白質發育的影響。

研究發現，經濟困難、童年創傷等逆境會導致白質質量下降，而這種情況與后續較差的認知表現密切相關。其中，社會脆弱性（包括住房條件、社區環境等）是重要影響因素。相反，良好的家庭收入、雙親撫養、積極的教養方式以及安全的社區環境都能促進白質健康發展。

這項研究為兒童早期干預提供了科學依據，強調通過改善家庭和社區環境來支持大腦發育的重要性。

《每日科學》網站（www.sciencedaily.com）

1、新型基因工具精準定位血液病“罪魁禍首”，靶向治療迎來新希望

由美國丹娜法伯/波士頓兒童癌癥與血液疾病中心領導的一項合作研究，開創了一種新方法來理解特定蛋白質（即轉錄因子）如何決定細胞生長與成熟所依賴的遺傳程序。這種名為“Perturb-multiome”的技術，利用CRISPR基因編輯技術同時敲除大量血細胞中單個轉錄因子的功能，隨后通過單細胞分析測量編輯效果——包括識別哪些基因被激活或抑制，以及哪些基因因表觀遺傳標記而處于可讀取狀態。

研究團隊將該工具應用于未成熟血細胞，成功鑒定出對血細胞發育具有重要影響的轉錄因子及其編碼DNA區域。他們發現，這些被確認為驅動血細胞生成的關鍵DNA區域（僅占基因組不到0.3%），恰是已知與血液疾病相關突變的高發區域，其對血細胞特征與分化的遺傳影響遠超其基因組占比。

此前，該團隊與合作者曾通過全基因組關聯研究，確定了負責出生后關閉胎兒血紅蛋白的轉錄因子，為鐮狀細胞病和β-地中海貧血的基因治療奠定基礎。而新型Perturb-multiome技術能系統揭示數千種轉錄因子變體如何影響血細胞生成及疾病風險，為發現更多血液疾病靶向療法創造了機遇。

2、AI顛覆科學：是革命還是陷阱？

化學、生物學和醫學領域的研究者正越來越多地借助人工智能（AI）模型提出新假設。然而，這些算法得出結論的依據及其普適性往往并不明確。德國波恩大學的一項最新研究警示，研究者在使用AI時可能存在誤區，同時指出了在何種條件下可以信任模型。相關成果發表于《細胞報告：物理科學》（Cell Reports Physical Science）期刊。

自適應機器學習算法能力強大，但其決策過程通常不透明。例如，若用數千張汽車圖片訓練人工智能，它能識別新圖片中是否有汽車，但無法確定其判斷是基于車輪、擋風玻璃等關鍵特征，還是無關因素（如車頂天線）。這種“黑匣子”特性意味著研究者不能盲目依賴其結果。

“可解釋性”是AI研究的關鍵課題，旨在揭示模型的決策邏輯。研究人員指出，某些AI模型專門用于提高其它模型的可解釋性。然而，即使模型揭示了判斷標準（如天線），仍需評估其科學合理性——人類知道天線與汽車無關，但AI可能誤將其作為關鍵特征。

在化學和藥物研究中，生成模型能提出具有特定活性的新分子結構，但無法解釋其原理。研究強調，當前AI模型本質上是統計工具，可能關注無關特征。驗證其建議需通過實驗，例如合成并測試分子，但這過程成本高昂。因此，研究者需謹慎評估AI的結果，避免過度解讀相關性為因果關系。

研究最后強調，盡管AI能推動科學進步，但必須清醒認識其局限性：它可能發現人類忽略的規律，也可能依賴無意義的特征。合理使用AI需結合科學驗證，而非盲目信任其輸出。

《賽特科技日報》網站（https://scitechdaily.com）

1、同癥不同醫：AI隱性偏見如何改變醫療決策

醫療人工智能（AI）工具可能無法公平對待所有患者。美國西奈山伊坎醫學院最新研究發現，即使患者的醫療狀況完全相同，AI系統會根據其社會經濟或人口背景差異給出不同治療建議。

研究人員測試了多款主流生成式AI模型，使用1000例急診病例，為每個病例設置32種不同患者背景，生成超過170萬份醫療建議。結果顯示，部分模型會因患者背景差異改變建議，影響分診級別、檢測項目及治療方案。例如，高收入患者更易獲得CT或MRI等高級檢查推薦，而低收入患者則常被建議無需進一步檢測。

該研究發表于《自然·醫學》（Nature Medicine），強調需通過早期測試和監管確保AI診療的公平性與安全性。西奈山伊坎醫學院團隊指出，AI在心理健康評估等領域尤其容易基于人口特征（而非醫療必要性）升級建議，凸顯了加強監管的必要性。

研究為AI可信度驗證提供了框架，通過識別偏見來源優化模型訓練和提示詞設計。嚴格的驗證程序將AI輸出與臨床標準對照，結合專家反饋持續改進。下一步，團隊計劃模擬多輪臨床對話并在醫院試點，以評估AI的實際影響。

2、傳統理論被推翻？缺陷成提升材料性能的關鍵

美國馬薩諸塞大學阿默斯特分校領導的一項研究發現，含缺陷的導熱填料可顯著提升聚合物性能，顛覆了“完美填料最優”的傳統觀點。相關成果發表于《科學進展》（Science Advances）雜志。

聚合物因其輕質、絕緣和柔性等優勢，廣泛應用于微芯片、LED和軟體機器人等領域，但其導熱性差易導致過熱問題。以往研究試圖通過添加高導熱填料（如鉆石、石墨）改善性能，但實際效果常因填料團聚、界面熱阻等問題受限。

該團隊制備了兩種聚乙烯醇（PVA）復合材料：一種添加完美石墨填料，另一種添加有缺陷的氧化石墨填料。單獨測試時，完美填料的導熱系數遠超有缺陷填料。但加入聚合物后，含缺陷填料的復合材料導熱性能反超160%。

研究結合熱傳導測量、中子散射和分子動力學模擬，發現缺陷填料的粗糙表面能減少聚合物鏈緊密堆積，增強界面振動耦合，從而提升熱傳導效率。這一發現為設計高性能導熱材料提供了新思路。

該研究成果有望推動微芯片、軟體機器人等設備的散熱技術發展。（劉春）